引用本文
黄晓君, 颉耀文, 包玉海. 落叶松受雅氏落叶松尺蠖危害程度光谱检测[J]. 光谱学与光谱分析, 2018,38(3): 905-911.
HUANG Xiao-jun, XIE Yao-wen, BAO Yu-hai. Spectral Detection of Damaged Level of Larch Affected by Jas’s Larch Inchworm[J]. Spectroscopy and Spectral Analysis, 2018,38(3): 905-911.
Doi:10.3964/j.issn.1000-0593(2018)03-0905-07  
Permissions
Copyright©2018, 《光谱学与光谱分析》期刊社
《光谱学与光谱分析》期刊社 所有
落叶松受雅氏落叶松尺蠖危害程度光谱检测
黄晓君1,2,3, 颉耀文2, 包玉海1,3,*
1. 内蒙古师范大学地理科学学院, 内蒙古 呼和浩特 010022
2. 兰州大学资源环境学院, 甘肃 兰州 730000
3. 内蒙古自治区遥感与地理信息系统重点实验室, 内蒙古 呼和浩特 010022
*通讯联系人 e-mail: baoyuhai@imnu.edu.cn

作者简介: 黄晓君, 1984年生, 内蒙古师范大学地理科学学院讲师 e-mail: hxj3s@qq.com

收稿日期: 2017-03-11
基金: 国家自然科学基金项目(61631011), 兰州大学中央高校基本科研业务费专项资金项目(lzujbky-2016-242)资助
摘要

近年来蒙古国雅氏落叶松尺蠖灾害不断加剧, 逐渐逼近大兴安岭地区, 将威胁我国北方森林生态系统安全。 以现代遥感监测方法替代传统检测方法, 及早掌握该虫害发生发展规律对防控有重要意义。 为快速、 大范围遥感监测雅氏落叶松尺蠖灾害, 利用光谱分析技术研究了该害虫危害下落叶松受害程度检测模型。 通过实测健康和轻度、 中度、 重度受害落叶松光谱, 计算与比较不同受害程度落叶松原始光谱和去除包络线光谱的敏感度, 揭示光谱敏感波段及去除包络线光谱敏感性。 然后对去除包络线光谱进行一阶导数变换获得光谱特征参数并分析其随受害程度的变化特征, 构建基于CART(分类与回归树)算法的落叶松受害程度光谱检测模型。 研究表明: 去除包络线光谱敏感性比原始光谱更显著, 尤其在480~520 nm(蓝边)、 640~720 nm(红谷、 红边)、 1 416~1 500 nm(短波红外谷)等波段内光谱敏感度介于0.1~2.0, 而且出现了敏感峰现象。 随受害程度增加, 去除包络线光谱敏感性增强趋势比原始光谱更明显; 在蓝边波段上去除包络线光谱敏感峰位置向短波方向移动, 即502 nm→490 nm, 而在红谷及红边、 短波红外谷等波段上光谱敏感峰位置向长波方向移动, 即664 nm→672 nm和1 436 nm→1 448 nm; 红谷位置和短波红外谷位置归一化反射率以及红谷和短波红外谷面积呈上升趋势。 在蓝边与红边波段内去除包络线光谱一阶导数对受害程度有明显响应, 出现了波峰现象。 随害虫危害程度加剧红边位置蓝移(718 nm→700 nm), 红边斜率及面积和蓝边斜率及面积呈下降趋势。 基于此, 利用红边斜率、 红谷位置和短波红外谷位置归一化反射率、 红谷和短波红外谷面积、 蓝边斜率及面积等去除包络线光谱特征参数构建的CART模型对落叶松受害程度有很好的检测能力。 与多元线性回归模型相比, CART模型检测精度更高, 其Kappa系数达0.875。 研究结果对雅氏落叶松尺蠖灾害的防治有参考价值。

关键词: 雅氏落叶松尺蠖; 光谱敏感性; 去除包络线光谱特征; 落叶松受害程度; 分类与回归树(CART)
中图分类号:O433.4 文献标志码:A
Spectral Detection of Damaged Level of Larch Affected by Jas’s Larch Inchworm
HUANG Xiao-jun1,2,3, XIE Yao-wen2, BAO Yu-hai1,3,*
1. College of Geographical Science, Inner Mongolia Normal University, Huhhot 010022, China
2. College of Earth and Environmental Sciences, Lanzhou University, Lanzhou 730000, China
3. Key Laboratory of Remote Sensing & Geography Information System, Inner Mongolia Normal University, Huhhot 010022, China;
Abstract

In recent years, the Mongolian Jas’s Larch Inchworm disaster have been increasing and gradually approaching the Daxinganling area, which will threaten the safety of the forest ecosystem in the north of China. It is necessary to replace the Mongolian traditional detection method with the modern remote sensing monitoring method, and it is important to control the rule of occurrence and development of the insect at the first opportunity. A detection model was developed for rapid and wide range remote sensing monitoring of Jas’s Larch Inchworm damage based on spectral analysis technology. Spectra in situ measurements were conducted for healthy larch and mild, moderate, severe damaged larch to compute and compare the raw spectra and continuum removal spectra. On this basis, spectral sensitive bands and sensitivities of continuum removal spectra were uncovered. Then some spectral characteristic parameters were obtained by the first derivative transformation of continuum removal spectrum, and its change features vs damaged level of larch were analyzed to construct the detection model based on CART (classification and regression tree) algorithm. The results showed that the sensibility of continuum removal spectra was more significant than that of raw spectra, especially in 480~520 nm (blue edge), 640~720 nm (red edge) and 1 416~1 500 nm (short wave infrared valley). In these bands, the value for the sensitivity of continuum removal spectra was between 0.1 and 0.2. At the same time, it appeared sensitive peaks in the sensitive bands. With the increase of damaged level, the sensibility of continuum removal spectra had an enhanced trend which was more evident compared with raw spectra. In addition, the sensitive peak position of the continuum removal spectra in the blue band was shifted to the short wave direction, that is, 502 nm→490 nm, and the spectral sensitive peak position in the red valley and red edge, short wave infrared valley moved to the long wave direction, that is, 664 nm→672 nm and 1 436 nm→1 448 nm. Furthermore, the normalized reflectance of red valley position and short wave infrared valley position as well as areas of red valley and short wave infrared valley were found a trend of rising. First derivative of continuum removal spectra had obvious in response for damaged level in blue edge and red edge. Moreover, the band peaks were arisen. The red edge position blue shift arose (718 nm→700 nm) as the damaged level increased, while the slopes and areas for blue edge and red edge decreased. Hence, the CART model that was established based on several continuum removal spectral parameters such as red edge slope, normalized reflectance of red valley position and short wave infrared valley position, areas of red valley and short wave infrared valley and both slope and area of blue edge had superior detection ability in the damaged level of larch. Compared to multi-linear regression model, the CART model performed better with the Kappa value of 0.875. These results will play important roles on remote sensing monitoring of the damage of Jas’s Larch Inchworm.

Keyword: Jas’s larch inchworm;; Spectral sensibility; Spectral characteristics of continuum removal; Larch damaged level; Classification and regression tree (CART)
引言

雅氏落叶松尺蠖(Erannis Jacobsoni Djak)是严重危害落叶松的害虫。 据蒙古国林业部门调查和统计, 2013年— 2015年雅氏落叶松尺蠖分布在蒙古国北部及东北部地区, 其危害面积逐年增加, 成为最严重破坏森林生态系统的害虫。 目前蒙古国森林病虫害检测与防治仍是以人工调查和人工喷药为主, 难以及时掌握雅氏落叶松尺蠖发生发展情况以及不能有效控制害虫暴发与扩散。 近年来雅氏落叶松尺蠖逐步逼近大兴安岭, 将威胁我国北方森林生态系统安全。 在此背景下, 应以现代遥感监测技术来替代传统检测方法, 掌握该虫发生发展规律对此害虫防控有重要意义。 实测与分析病虫害林木光谱是后续遥感监测的基础铺垫[1, 2, 3]。 雅氏落叶松尺蠖危害下落叶松受害程度光谱检测很有意义。

森林病虫害光谱检测是分析受害过程林木光谱敏感性确定敏感波段, 并提取敏感光谱特征参数建立检测模型的过程。 其中光谱敏感性分析是基础, 主要以方差分析、 相关性分析、 敏感性分析、 遗传算法、 主成分分析等方法来实现[4, 5, 6, 7]。 受害林木光谱敏感性与叶子色素吸收、 水分吸收、 细胞结构变化等有关[2]。 通过光谱敏感性分析能够确定对受害程度的敏感光谱波段。 前人相关研究表明, 受害林木敏感光谱波段一般分布在蓝边、 黄边、 绿峰、 红谷、 近红外反射肩、 近红外吸收谷等谱段内[4, 5, 7, 8, 9]。 但由于不同病虫害有各自的生物学特性和危害特征, 故其敏感光谱波段有一定差异。 如: 伍南等选择红边敏感波段检测了马尾松赤枯病危害[5]; Ahern等利用绿峰、 红边及近红外反射肩等敏感波段检测了树皮甲虫绿色攻击[8]。 光谱敏感性分析及敏感光谱波段确定是对病虫害有效光谱检测的基础, 敏感光谱特征参数提取是对病虫害建立检测模型的前提。 特征参数提取形式有多种, 包括特定波长光谱反射率、 光谱植被指数、 光谱微分变换、 包络线去除变换、 连续小波变换等[3, 4, 5, 8, 9, 10, 11, 12]。 从以上形式可产生许多种光谱特征参数, 如: 许章华等选择叶绿素吸收比值指数、 红边斜率、 红边位置等参数, 检测了马尾松松毛虫危害程度; Niemann等利用吸收特征波段685, 970及1 200 nm等的反射率, 监测了山松甲虫灾情[2]; Ismail等选取特定波长970和1 200 nm的包络线去除后归一化反射率, 检测了松树云杉蓝树蜂危害[4]。 检测模型构建环节时, 通常分析光谱特征参数与受害程度的关系, 利用多元统计分析模型或数据挖掘算法来实现, 如线性回归模型、 支持向量机、 决策树、 人工神经网络等[5, 7, 13]。

目前在森林病虫害光谱检测中, 光谱敏感性分析多集中在相关性分析方法上, 而利用敏感性分析方法的不多; 光谱特征参数提取形式以原始光谱微分变换和包络线去除变换为主, 而去除包络线光谱微分变换的不多见; 光谱检测建模集中在线性回归模型和支持向量机模型上, 而利用CART(分类和回归树)模型的鲜有报道。 基于此, 笔者实测雅氏落叶松尺蠖危害下不同受害程度落叶松光谱, 利用敏感性分析方法分析去除包络线光谱敏感性, 提取敏感光谱特征参数, 采用CART算法, 建立了落叶松受害程度检测模型。

1 实验部分
1.1 受害程度分级

由于雅氏落叶松尺蠖为食叶性害虫, 随危害程度的加重, 落叶松失叶量逐渐增多, 最后全部叶子掉落。 林木失叶率可直接表征落叶松受害程度。 笔者根据落叶松失叶率将受害程度分成4个等级, 即0%~5%: 健康, 记为1; 6%~30%: 轻度受害, 记为2; 31%~70%: 中度受害, 记为3; 71%~100%: 重度受害, 记为4。

1.2 光谱数据获取

2016年6月份在蒙古国杭爱山落叶松林区开展了雅氏落叶松尺蠖灾害光谱试验。 利用美国ADS光谱仪(波长范围为350~2 500 nm, (本研究选用了350~1 800 nm), 波段数为2 151, 光谱分辨率为3 nm, 数据间隔为1 nm, 波长精度为± 1 nm, 视场角25° ), 在10:00— 14:00之间选择晴朗无风无云的天气, 对不同受害程度落叶松冠层进行了光谱测定。 每次采集目标光谱前进行1次白板校正, 每采样点记录20条光谱, 并取平均值作为该采样点的反射光谱值。 最终获得了88条光谱曲线数据, 其中健康、 轻度、 中度、 重度落叶松分别为16条、 20条、 21条、 31条。

1.3 数据预处理

利用光谱仪自带软件ViewSpecPro剔除异常光谱, 并平滑处理得到各受害等级落叶松原始反射光谱曲线。 然后采用ENVI软件对原始反射光谱曲线进行包络线去除处理, 它可消除背景干扰, 能够净化光谱数据及突出光谱特征信息。 包络线去除是用原始反射光谱值去除包络线相应值, 得到归一化反射光谱, 其起终点值为1, 其间的点位值介于0~1[9, 10, 11]。 最后为分析光谱微分特征对去除包络线光谱求一阶导数, 得到相关光谱特征参数。

2 结果与讨论
2.1 光谱对落叶松受害程度的敏感性分析

为分析光谱对受害程度的敏感性, 计算不同受害程度落叶松光谱敏感度, 其计算公式[6]为

SIi=(Si-S)/S

式中: i为受害程度不同等级, 即轻度、 中度、 重度; Si和SIi分别为i级受害程度落叶松光谱反射率和敏感度, S为健康落叶松光谱反射率。 光谱敏感度绝对值大于0表明光谱有敏感性, 其值愈大光谱敏感性愈强。 当光谱敏感度在某一谱段为正值时, 说明在当前谱段内受害落叶松反射率高于健康落叶松, 且差异越大光谱敏感度越高, 光谱敏感性也就越显著, 反之亦然。

对不同受害程度林木光谱分别进行平均, 并计算了原始光谱和去除包络线光谱敏感度。 结果表明: 光谱敏感度曲线出现3个敏感峰(PeakⅠ , PeakⅡ , PeakⅢ ), 并且其位置随受害程度增加而有移动现象。 PeakⅠ 位置向短波方向移动, 如: 原始光谱和去除包络线光谱敏感峰位置都从502 nm移到490 nm; 而PeakⅡ 与PeakⅢ 位置向长波方向移动, 如原始光谱PeakⅡ , Ⅲ 位置分别666 nm→ 672 nm和1 436 nm→ 1 458 nm、 去除包络线光谱PeakⅡ 和Ⅲ 位置分别664 nm→ 672 nm和1 436 nm→ 1 448 nm[图1(a)和(b)]。 在PeakⅠ , PeakⅡ 和PeakⅢ 两侧一定波段范围如480~520 nm(蓝边)、 640~720 nm(红谷及红边)、 1 416~1 500 nm(短波红外谷)等内, 去除包络线光谱敏感度均介于0.1~2.0, 说明这些波段对受害程度有明显敏感性。 在以上敏感波段内去除包络线光谱敏感度明显高于原始光谱, 表明去除包络线光谱敏感性比原始光谱更显著[图1(a)]。 光谱敏感度随落叶松受害程度增加呈上升趋势, 两种光谱相比去除包络线光谱敏感度上升趋势更明显, 表明去除包络线光谱对不同受害程度的敏感性更强[图1(c)]。 可见, 利用去除包络线光谱特征检测落叶松受害程度比原始光谱特征更有效。

图1 原始光谱和去除包络线光谱敏感度(a)、 光谱敏感峰位置(b)及其敏感度(c)随落叶松受害程度的变化Fig.1 Variations of sensitivity of raw spectra and continuum removal spectra (a), positions of spectrum sensitive peaks (b) and its sensitivity (c) vs damaged level of larch

以上结果说明不同受害程度下蓝边、 红谷、 红边、 短波红外谷等波段的光谱反射率差异明显, 并且随受害程度的加剧光谱反射率逐渐上升。 蓝边、 红谷及红边等光谱反射率变化主要受叶子色素尤其叶绿素含量影响, 而短波红外谷光谱反射特性主要受叶子水分含量的控制[4, 5, 14]。 雅氏落叶松尺蠖发生时, 针叶叶绿素含量下降, 蓝边、 红谷、 红边光谱反射率与健康落叶松反射率相比明显增高, 而其光谱敏感性增强。 同时, 针叶变红干枯、 水分含量下降、 失叶量增加, 导致短波红外谷光谱反射率上升而其光谱敏感性增强。 对去除包络线光谱来说, 消除了一定的背景光谱影响, 突出蓝边、 红谷、 红边、 短波红外谷等波段光谱本质特征, 而增强了对受害程度的敏感性。 因此, 选择蓝边(480~520 nm)、 红谷(640~700 nm)、 红边(670~720 nm)、 短波红外谷(1 416~1 500 nm)等波段的去除包络线光谱特征检测落叶松受害程度是可行的。

2.2 不同受害程度落叶松去除包络线光谱特征

从蓝边、 红谷、 红边、 短波红外谷等波段出发, 分析不同受害程度落叶松去除包络线光谱主要特征参数的变化特征。

2.2.1 红谷和短波红外谷光谱特征

吸收谷面积(过吸收谷起终点竖切吸收谷曲线与横轴而形成区域的面积)、 吸收谷位置(吸收谷最深点所对应的波段)及其反射率等参数能描述吸收谷的基本特征。 其中面积能够表明吸收谷总体变化特征, 而位置及其反射率能说明吸收谷关键部位变化特征。 当雅氏落叶松尺蠖危害加剧时在红谷(640~700 nm)和短波红外谷(1 416~1 500 nm), 去除包络线光谱对落叶松不同受害程度有明显响应[图2(a), 对健康、 轻度、 中度、 重度落叶松的去除包络线光谱分别进行平均得到]。 具体表现为: ①红谷位置在676 nm处未明显移动, 但其归一化反射率逐渐上升(0.121→ 0.168→ 0.228→ 0.361); 短波红外谷位置在1 446 nm处无明显移动, 而其归一化反射率逐渐上升(0.286→ 0.321→ 0.371→ 0.517)[图2(b), (c)]。 ②红谷面积和短波红外谷面积呈上升趋势[0.009 4→ 0.012 8→ 0.016 3→ 0.024 1和0.122 8→ 0.128 5→ 0.138 2→ 0.164 2, 图2(a), (d)]。 这是因为雅氏落叶松尺蠖危害越严重, 针叶叶绿素含量和水分含量越少, 红谷和短波红外谷光谱吸收也就越减弱, 导致两个吸收谷光谱反射率上升, 同时其特征面积增加。 故落叶松受害程度会影响红谷和短波红外谷特征参数, 反过来利用这些特征参数识别受害程度也是可能的。

图2 去除包络线光谱(a)、 红谷位置和短波红外谷位置(b)及其反射率(c)、 红谷面积和短波红外谷面积(d)随落叶松受害程度的变化Fig.2 Variations of continuum removal spectra (a), positions of red valley and short wave infrared valley (b) and its reflectance(c) and areas of red valley and short wave infrared valley (d) vs damaged level of larch

2.2.2 红边和蓝边光谱特征

为更好反映受害落叶松光谱本质特征, 借助ENVI软件对不同受害程度落叶松的去除包络线光谱进行一阶导数处理, 得到蓝边斜率、 位置、 面积和红边斜率、 位置、 面积等参数。 结果显示, 在蓝边和红边内去除包络线光谱一阶导数分别有明显波峰, 其中最高峰出现在红边内。 随害虫危害程度的增加, 蓝边和红边去除包络线光谱一阶导数有层次变化[图3(a)]。 具体表现为: ①红边位置由718 nm移到700 nm, 即蓝移, 而蓝边位置在518 nm处未明显移动[图3(b)]。 ②红边面积和蓝边面积逐渐下降[0.947 6→ 0.831 0→ 0.771 4→ 0.636 2和0.201 0→ 0.208 8→ 0.189 7→ 0.141 1, 图3(c)]。 ③红边斜率和蓝边斜率呈下降趋势[1.022 0→ 0.018 3→ 0.016 5→ 0.014 2和0.010 0→ 0.009 6→ 0.008 6→ 0.006 5, 图3(d)]。 这是因为当受害程度增加时, 害虫食叶增多使叶绿素含量减少, 林木失叶率上升使叶面积减少, 蓝边、 红边光谱色素吸收减弱导致光谱反射增强, 从而产生以上响应变化特征。 通常蓝边、 红边被用于绿色植物色素、 长势、 叶面积等变化的指示指标。 当植物发生病虫害时, 其色素含量降低、 长势衰退、 叶面积减少而红边、 蓝边有明显的响应, 尤其红边会出现蓝移现象[14]。 据上分析, 蓝边斜率、 面积和红边位置、 斜率、 面积等参数与受害程度有相互联系, 可作为检测受害程度参量。

图3 去除包络线光谱一阶导数(a)、 蓝边位置与红边位置(b)、 蓝边面积与红边面积(c)、 蓝边斜率与红边斜率(d)随落叶松受害程度的变化Fig.3 Variations of first derivative of continuum removal spectra (a), blue edge position and red eege position (b), blue edge area and red edge area(c) and blue edge ratio and red edge ratio (d) vs damaged level of larch

2.3 落叶松受害程度光谱检测模型

2.3.1 检测参量

根据以上分析和前人相关研究, 选择蓝边斜率及面积、 红谷位置归一化反射率及红谷面积、 红边位置、 红边斜率及面积、 短波红外谷位置归一化反射率及短波红外谷面积等9个参数, 作为检测参量。 为进一步检验检测参量与受害程度的关系, 分别计算了其相关系数。 结果显示, 所有相关系数在α =0.01水平上极显著, 表明它们之间相关性较高。 其中红边位置、 红边斜率及面积、 蓝边斜率及面积呈负相关, 而红谷位置归一化反射率及红谷面积、 短波红外谷位置归一化反射率及短波红外谷面积呈正相关。 相关性结果与以上光谱特征分析相吻合, 说明利用这些参数检测落叶松受害程度是合理的。

2.3.2 基于CART算法的受害程度检测模型

在数据挖掘中决策树是常用模型, 其算法主要包括CART, ID3, C4.5, SLIQ, SPRINT和PUBLIC等。 其中CART算法是非常有效的非参数分类和回归方法, 由输入变量和输出变量构成的训练样本数据集循环分析的二叉决策树结构。 此方法实现简单、 便于使用、 对输入数据没有假设要求、 可有效排除多余信息的干扰、 可避免“ 过拟合” 现象、 能够选择最佳输入变量、 运行速度较快、 结构清晰易于理解和解释等优点。 因此, 选用CART算法建立了落叶松受害程度检测模型。 从88条实测光谱曲线中, 按不同受害程度随机选取66条作为建模数据, 其余22条作为精度验证数据, 再用建模数据的80%作为训练数据、 20%作为测试数据。 借助Clementine软件平台以9个检测参量为输入变量, 以不同等级受害程度为输出变量, 构建了CART检测模型。 CART算法建模是决策树生长和修剪的过程, 即采用杂度削减量选择树节点(分割节点)最佳分组变量, 利用基尼系数确定树节点最佳分割阈值, 得到充分生长的最大树; 然后运用交叉测试验证对最大树进行修剪, 并获得兼顾复杂度和错误率的最佳决策树。 基尼系数和杂度削减量的定义为

G(t)=1-∑j=1kP2(j|t)ΔG(t)=G(t)-NrNG(tr)-NlNG(tl)

式中: G(t)和Δ G(t)分别为基尼系数和杂度削减量, t为树节点, k为输出变量类别个数, P(j|t)为树节点中输出变量取第j类的归一化概率, N为总样本量, G(tr)和Nr为分组后右子树的基尼系数、 样本量, G(tl)和Nl为分组后左子树的基尼系数、 样本量。 基尼系数表述输出变量异质性, 而杂度削减量表明异质性下降的程度。 在每个树节点上使输出变量值的异质性下降程度最大和使输出变量值的异质性最小来实现最佳分组变量的选择和最佳分割阈值的确定。

最终获得的最佳决策树如图4所示, 其深度为4, 分割节点为9, 分组变量为红边斜率X1、 短波红外谷位置归一化反射率X2、 红谷面积X3、 短波红外谷面积X4、 蓝边斜率X5、 红谷位置归一化反射率X6、 蓝边面积X7等。 结果表明: 阈值红边斜率(0.017)分二叉树后得到由中度和重度组成的左子树集和由健康、 轻度、 中度组成的右子树集。 在红边斜率阈值分割基础上, 对红谷位置归一化反射率(0.419)、 短波红外谷位置归一化反射率(0.409)及短波红外谷面积(0.171)分别阈值可判别中度和重度; 对红谷面积(0.011)、 红边斜率(0.020)及蓝边斜率(0.007)分别阈值可识别健康、 轻度、 中度; 对红谷面积(0.011)、 蓝边斜率(0.007)及面积(0.082)分别阈值可辨识健康与轻度。

图4 检测受害程度的最佳决策树Fig.4 Optimal decision tree for detecting damaged level

2.3.3 模型检测精度

为评价CART模型的检测精度, 与常用的多元线性回归模型进行了精度对比。 以CART模型的检测参量为自变量, 以不同等级受害程度为因变量, 利用SPSS软件建立了多元线性回归模型, 其结果为

Y˙=-1.812-338.732X1-22.713X2+957.947X3-136.526X4-299.009X5-60.699X6+5.845X7

式中 Y˙为受害程度等级, X1— X7为同上。 模型决定系数R2为0.787, 在α =0.01水平上极显著, 说明此模型精度有一定可靠性。

以Kappa系数为模型检测精度评价指标, 对两种模型分别计算Kappa系数并进行了对比。 首先利用22条光谱精度验证数据, 提取检测参数, 然后导入两种模型中得到各自的检测结果, 再与实际受害程度之间建立混淆矩阵并计算其Kappa系数。 Kappa系数能检验检测结果与真实结果的一致性, 可评价模型检测精度, 取值范围为[-1, 1], Kappa> 0时一致性才有意义, 其值愈大一致性愈好。 当0< Kappa≤ 0.40时一致性差, 0.40< Kappa≤ 0.60时一致性一般, 0.60< Kappa≤ 0.80时一致性好, Kappa> 0.80时一致性极好。 结果显示, CART模型和多元线性回归模型的Kappa系数分别为0.875和0.814, 两种模型一致性测试都极好。 两者相比CART模型优于多元线性回归模型, 说明CART模型可信度更高。

3 结论

(1)去除包络线光谱对落叶松不同受害程度的敏感性比原始光谱更显著, 尤其在480~520 nm(蓝边)、 640~720 nm(红谷、 红边)、 1 416~1 500 nm(近红外谷)等波段内出现了敏感峰, 而且在此波段内光谱敏感度均介于0.1~2.0, 表明这些波段为受害程度的敏感波段。 随落叶松受害程度的增加, 去除包络线光谱敏感性增强趋势比原始光谱更明显, 并且蓝边波段光谱敏感峰位置向短波方向移动, 即502 nm→ 490 nm, 而红谷及红边、 短波红外谷等波段光谱敏感峰位置向长波方向移动, 即664 nm→ 672 nm和1 436 nm→ 1 448 nm。 说明包络线去除处理可增强蓝边、 红谷、 红边、 短波红外谷等波段光谱敏感性。 因此, 利用这些敏感波段的去除包络线光谱检测林木受害程度比原始光谱更理想。

(2)当雅氏落叶松尺蠖危害加剧时, 去除包络线光谱主要特征参数有明显层次变化。 红谷位置和短波红外谷位置归一化反射率、 红谷和短波红外谷面积呈上升趋势。 在蓝边和红边波段内去除包络线光谱一阶导数有明显波峰现象, 其中最高峰在红边内。 红边位置有蓝移, 即718 nm→ 700 nm。 红边斜率及面积和蓝边斜率及面积呈下降趋势。 以上参数与受害程度的相关性较高。 可见, 利用这些参数检测落叶松受害程度是合理的。

(3)利用红边斜率、 红谷位置归一化反射率及红谷面积、 短波红外谷位置归一化反射率及短波红外谷面积、 蓝边斜率及面积等去除包络线光谱特征参数建立的CART模型, 获得了易于理解和解释的判别规则集, 实现了落叶松受害程度光谱检测。 与多元线性回归模型相比, CART模型检测精度更高, 其Kappa系数达0.875。 因此, CART模型有很好的检测能力, 对雅氏落叶松尺蠖灾害防治有参考价值。

The authors have declared that no competing interests exist.

参考文献
[1] Wulder M A, Dymond C C, White J C, et al. Forest Ecology & Management, 2006, 221(1-3): 27. [本文引用:1]
[2] Niemann K O, Quinn G, Stephen R, et al. Canadian Journal of Remote Sensing, 2015, 41(3): 191. [本文引用:3]
[3] White J C, Coops N C, Hilker T, et al. International Journal of Remote Sensing, 2007, 28(10): 2111. [本文引用:2]
[4] Mutanga O, Ismail R. Southern Forests: a Journal of Forest Science, 2010, 72(1): 1. [本文引用:5]
[5] WU Nan, LIU Jun-ang, YAN Rui-kun, et al(伍南, 刘君昂, 闫瑞坤, 等). Chinese Agricultural Science Bulletin(中国农学通报), 2012, 28(4): 51. [本文引用:6]
[6] Kobayashi T, Kand a E, Kitada K, et al. Phytopathology, 2001, 91(3): 316. [本文引用:2]
[7] Fassnacht F E, Latifi H, Ghosh A, et al. Remote Sensing of Environment, 2014, 140(1): 533. [本文引用:3]
[8] Ahern F J. International Journal of Remote Sensing, 1988, 9(9): 1451. [本文引用:3]
[9] Kokaly R F, Clark R N. Remote Sensing of Environment, 1999, 67(3): 267. [本文引用:3]
[10] Zhi H, Urner B J, Dury S J, et al. Remote Sensing of Environment, 2004, 93(1/2): 18. [本文引用:2]
[11] Mutanga O, Skidmore A K, Wieren S V. Journal of Photogrammetry and Remote Sensing, 2003, 57(4): 263. [本文引用:2]
[12] Cheng T, Rivard B, Sánchezazofeifa G A, et al. Remote Sensing of Environment, 2010, 114(4): 899. [本文引用:1]
[13] Lausch A, Heurich M, Gordalla D, et al. Forest Ecology & Management, 2013, 308(4): 76. [本文引用:1]
[14] Helmi Z M S, Mohamad A M S, Azadeh G. American Journal of Applied Sciences, 2006, 3(6): 1864. [本文引用:2]